全部人脸样本的权重的和t1； 全部非人脸样本的权重的和t0；
在此元素之前的人脸样本的权重的和s1； 在此元素之前的非人脸样本的权重的和s0； 2）最终求得每个元素的分类误差
在表中寻找r值最小的元素，则该元素作为最优阈值。有了该阈值，我们的第一个最优弱分类器就诞生了。
在这漫长的煎熬中，我们见证了一个弱分类器孵化成长的过程，并回答了如何得到弱分类器以及二叉决策树是什么。最后的问题是强分类器是如何得到的。
2.2.3 弱分类器的化蝶飞
首先看一下强分类器的代码结构:
1 /* internal stage classifier */ 2 typedef struct CvStageHaarClassifier 3 {
4 CV_INT_HAAR_CLASSIFIER_FIELDS() 5 int count; 6 float threshold;
7 CvIntHaarClassifier** classifier; 8 }CvStageHaarClassifier;
/* internal weak classifier*/ typedef struct CvIntHaarClassifier {
CV_INT_HAAR_CLASSIFIER_FIELDS() } CvIntHaarClassifier;
这里要提到的是CvIntHaarClassifier结构： 它就相当于一个接口类，当然是用
C
语言模拟的面向对象思想，利用
这
个
宏
让
弱
分
类
CV_INT_HAAR_CLASSIFIER_FIELDS()
CvCARTHaarClassifier强分类器和CvStageHaarClassifier继承于CvIntHaarClassifier。
强分类器的诞生需要T轮的迭代，具体操作如下：
1. 给定训练样本集S，共N个样本，其中X和Y分别对应于正样本和负样本； T为训练的最大循环次数；
2. 初始化样本权重为1/N ，即为训练样本的初始概率分布； 3. 第一次迭代训练N个样本，得到第一个最优弱分类器，步骤见2.2.2节
4. 提高上一轮中被误判的样本的权重；
5. 将新的样本和上次本分错的样本放在一起进行新一轮的训练。 6. 循环执行4-5步骤，T轮后得到T个最优弱分类器。 7.组合T个最优弱分类器得到强分类器，组合方式如下：
相当于让所有弱分类器投票，再对投票结果按照弱分类器的错误率加权求和，将投票加权求和的结果与平均投票结果比较得出最终的结果。
至此，我们看到其实我的题目起的漂亮却并不贴切，强分类器的脱颖而出更像是民主的投票制度，众人拾材火焰高，强分类器不是个人英雄主义的的产物，而是团结的力量。但从宏观的局外的角度看，整个AdaBoost算法就是一个弱分类器从孵化到化蝶的过程。小人物的奋斗永远是理想主义者们津津乐道的话题。但暂时让我们放下AdaBoost继续探讨Haar分类器的其他特性吧。
2.3 强分类器的强强联手
至今为止我们好像一直在讲分类器的训练，实际上Haar分类器是有两个体系的，训练的体系，和检测的体系。训练的部分大致都提到了，还剩下最后一部分就是对筛选式级联分类器的训练。我们看到了通过AdaBoost算法辛苦的训练出了强分类器，然而在现实的人脸检测中，只靠一个强分类器还是难以保证检测的正确率，这个时候，需要一个豪华的阵容，训练出多个强分类器将它们强强联手，最终形成正确率很高的级联分类器这就是我们最终的目标Haar分类器。
那么训练级联分类器的目的就是为了检测的时候，更加准确，这涉及到Haar分类器的另一个体系，检测体系，检测体系是以现实中的一幅大图片作为输入，然后对图片中进行多区域，多尺度的检测，所谓多区域，是要对图片划分多块，对每个块进行检测，由于训练的时候用的照片一般都是20*20左右的小图片，所以对于大的人脸，还需要进行多尺度的检测，多尺度检测机制一般有两种策略，一种是不改变搜索窗口的大小，而不断缩放图片，这种方法显然需要对每个缩放后的图片进行区域特征值的运算，效率不高，而另一种方法，是不断初始化搜索窗口size为训练时的图片大小，不断扩大搜索窗口，进行搜索，解决了第一种方法的弱势。在区域放大的过程中会出现同一个人脸被多次检测，这需要进行区域的合并，这里不作探讨。
无论哪一种搜索方法，都会为输入图片输出大量的子窗口图像，这些
子窗口图像经过筛选式级联分类器会不断地被每一个节点筛选，抛弃或通过。
它的结构如图所示。
我想你一定觉得很熟悉，这个结构不是很像一个简单的决策树么。 在代码中，它的结构如下：
1 /* internal tree cascade classifier node */ 2 typedef struct CvTreeCascadeNode 3 {
4 CvStageHaarClassifier* stage; 5 struct CvTreeCascadeNode* next; 6 struct CvTreeCascadeNode* child; 7 struct CvTreeCascadeNode* parent;
8 struct CvTreeCascadeNode* next_same_level; 9 struct CvTreeCascadeNode* child_eval; 10 int idx; 11 int leaf;
12 } CvTreeCascadeNode;
13 /* internal tree cascade classifier */ 14 typedef struct CvTreeCascadeClassifier 15 {
16 CV_INT_HAAR_CLASSIFIER_FIELDS() 17 CvTreeCascadeNode* root; /* root of the tree */
18 CvTreeCascadeNode* root_eval; /* root node for the filtering */ 19 int next_idx;
20 } CvTreeCascadeClassifier;
级联强分类器的策略是，将若干个强分类器由简单到复杂排列，希望经过训练使每个强分类器都有较高检测率，而误识率可以放低，比如几乎99%的人脸可以通过，但50%的非人脸也可以通过，这样如果有20个强分类器级联，那么他们的总识别率为0.99^20 98%，错误接受率也仅为0.5^20
0.0001%。这样的效果就可以满足现实的需要了，但是如何使每
个强分类器都具有较高检测率呢，为什么单个的强分类器不可以同时具有较高检测率和较高误识率呢？
下面我们讲讲级联分类器的训练。（主要参考了论文《基于Adaboost的人脸检测方法及眼睛定位算法研究》）
设K是一个级联检测器的层数，D是该级联分类器的检测率，F是该级联分类器的误识率，di是第i层强分类器的检测率，fi是第i层强分类器的误识率。如果要训练一个级联分类器达到给定的F值和D值，只需要训练出每层的d值和f值，这样：
d^K = D,f^K = F
级联分类器的要点就是如何训练每层强分类器的d值和f值达到指定要求。
AdaBoost训练出来的强分类器一般具有较小的误识率，但检测率并不